基于云计算的图像分类算法

针对单一单板机的图像分类效率低的缺陷,提出一种基于云计算的图像分类算法。首先通过特征提取算法提取图像的多种特征,然后采用Map/Reduce模型对图像进行匹配和分类,根据匹配结果得到图像的最优分类结果,最后采用Matlab软件实现图像分类的仿真实验。结果表明,相比于其他图像分类算法,该算法减少了图像的分类时间,提高了图像的分类速度,尤其对大规模图像分类优势更加明显。     

基于自适应游程平滑算法的藏文文档图像版面分割与描述

版面分割是文档图像分析与识别过程中的重要基础步骤,为了探索适用于藏文文档图像版面分割与描述的方法,提出一种基于自适应游程平滑算法的研究方法.根据藏文文档图像的版面结构,利用K均值聚类分析得到适用于版面的游程阈值,进行游程平滑,寻找连通区域,实现版面分割;根据各版面元素的外轮廓特征,简单区分文本区域与非文本区域;利用藏文...     

基于图像内容分析与特征提取的文档抓图压缩算法

针对通用的有损压缩算法进行文档抓图压缩时存在的缺点,提出了一种面向文档抓图的实用、高效压缩算法。算法基于图像内容的分析和图像特征的提取,结合灰度变换与行程编码-RLE(Run-Length Encoding)思想,对图像和文字采用不同的压缩策略,保证压缩质量的同时提高了压缩倍率。实验结果证明了在同等压缩倍率下,该算法的压缩效果远强于JPEG和JPEG2000。     

纹理图像的特征提取和分类

文章提出了一种纹理图像特征提取的有效算法.该算法利用纹理信息的频域分布以及尺度特性,并在此基础上进行纹理分类.这里采用了分类性能良好的支撑矢量机作为分类器,实验结果表明该方法提取的特征向量稳定,在类别数目比较大时也能得到较高的分类精度.     

基于数据挖掘的图像分类算法

针对传统图像方法的分类精度难题,提出基于数据挖掘的图像分类算法。首先构建多媒体数据库中的图像检索信道模型,并进行向量量化编码,然后采用Harris角点检测算法提取图像特征点,并采用模糊C均值聚类算法实现图像分类。实验结果表明,该算法可以对图像内容信息进行准确的表达,提高了图像分类的精度,具有较强的鲁棒性。     

基于SVM及其改进算法的fMRI图像分类性能研究

为了提出一种更适用于分析fMRI图像特征的机器学习算法,引入机器学习近年提出的、具有较好的泛化能力、并能够保证极值解是全局最优解的新方法支持向量机（SVM）算法,具体选择了PSVM、SSVM、LPSVM、NSVM 4种SVM改进算法以及基本SVM算法应用于fMRI图像的分类问题,在MATLAB平台上进行了算法仿真实现。在对各种算法的分类计算时间、分类精确度两个方面进行比较和讨论后,得到PSVM算法在fMRI图像的分类问题上,有较好的综合性能。     

机器学习算法在数据分类中的应用研究

互联网已经深入人们社会生活的各个领域,在这个过程中产生的网络信息数量呈现出一种指数级增加的特点.对当前的信息产业发展而言,需要在整合这些庞大数据源的基础上,有效解决信息混乱的问题.机器学习算法的诞生以及发展成熟为有效整合处理这些庞大的数据,提供了相应的技术支撑.故此,本文以机器学习算法的概述作为切入点,在分析机器学习中...     

基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

基于垂直投影特征的文档图像自动拼接算法

提出了一种基于垂直投影特征的文档图像拼接算法,即利用两幅待拼接的文档图像中的两组投影值,确定两幅文档图像的位置关系。该算法可自动拼接两幅文档图像成一幅完整的文档图像。实验结果验证了算法的有效性。     

结构化局部边缘模式下的文档图像分类处理研究

现代科学技术的快速发展,在一定程度上推动了文档图像分类处理工作的进步。结构化的局部边缘处理模式在文档图像处理工作方面得到了普遍的推广,该算法能够将邻域中的空间分布结构精确的描述出来,提高了图形文档的区分能力。本文通过试验的方式和HOG进行了对比,并对四种文档类型特征进行了分类,探究了结构化局部边缘模式下的文档图像分类处理。     

用于表示级特征融合与分类的相关熵融合极限学习机

在极限学习机(ELM)网络结构和训练模式的基础上,该文提出了相关熵融合极限学习机(CF-ELM)。针对多数分类方法中表示级特征融合不充分的问题,该文将核映射与系数加权相结合,提出了能够有效融合表示级特征的融合极限学习机(F-ELM)。在此基础上,用相关熵损失函数替代均方误差(MSE)损失函数,推导出用于训练F-ELM各层权重矩阵的相关熵循环更新公式,以增强其分类能力与鲁棒性。为了检验方法的可行性,该文分别在数据库Caltech 101, MSRC和15 Scene上进行实验。实验结果证明,该文所提CF-ELM能够在原有基础上进一步融合表示级特征,从而提高分类正确率。

     

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

Automated Radiographic Diagnosis via Feature Extraction and Classification of Cardiac Size and Shape Descriptors

One goal of digital processing of radiographic images is to provide the radiologist with quantitative measurements of human anatomy as well as an indication as to whether or not this anatomy is within normal limits. A computer algorithm is described, designed to automatically detect, extract quantitative measurements from, and diagnose the cardiac projection present in full-size anteriorview chest radiographs. A normal-abnormal diagnosis is demonstrated utilizing abnormal data from five classes of heart disease. In addition, normal-abnormal as well as normal-differential diagnoses are demonstrated for the rheumatic heart disease class. A feature extraction algorithm is developed using several ad hoc techniques, some of which were adapted from other feature extraction uses. The extracted features are classified into diagnostic classes using linear and quadratic discriminant functions. A concurrent study of physician diagnostic accuracy is also undertaken using the averaged diagnostic rates of ten radiologists on a representative subset of the radiographs used in the computer study.     

一种基于图像特征的图像分类方法

图像分类是色域匹配的关键环节,不同类型的图像采用不同的匹配方法.针对如何有效分类图像,设计了一种基于图像特征的图像分类算法.首先建立图像颜色的三个通道特征统计模型和基于空间灰度级的纹理统计、边缘特征的统计模型,然后根据模型计算出图像的三类特征值,利用特征统计评判和神经网络技术分析计算数据,最后得出图像类型.实验结果表明,算法有较高的分类精度.     

一种基于可信度估计单元的图像分类噪声抑制深度学习策略

近年来，深度学习越来越关注噪声抑制的研究.本文提出了一种噪声抑制深度学习策略，该策略通过构建噪声无感网络（Noise Unaware Network，NUN）和可信度估计单元（Reliability Estimation Gate，REG）来处理训练数据含有噪声的情况.通过对每个样本的可信度进行评估，调节其在训练时的权重，从而降低标签噪声对网络训练的影响.随着模型的迭代更新，标签可信数据的权重将会逐渐变大，而噪声数据的权重将会被抑制.本文通过在多个标注数据集上的实验验证了所提出的噪声抑制深度学习策略的有效性.     

基于耦合特征空间下改进字典学习的图像超分辨率重建

针对目前基于字典学习的图像超分辨率重建效果欠佳或字典训练时间过长的问题,本文提出了一种耦合特征空间下改进字典学习的图像超分辨率重建算法.该算法首先利用高斯混合模型聚类算法对训练图像块进行聚类,然后使用更改字典更新方式的改进KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵.重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建.最后利用图像非局部相似性,将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果.实验结果表明了本文方法的有效性.     

Hierarchical Feature Extraction for Image Recognition

This paper applies a hierarchical classifier to two image recognition tasks. At the heart of this classifier, like many other classifiers, is a distance metric for determining the similarity of pairs of images. As the generalisation performance is often strongly related to the effectiveness of this measure, this paper develops a measure that is statistically more reliable than some metrics, but does not discard discriminating information, often regarded as noise. In addition, it may be computed quickly. This paper also experimentally shows that the metric may be used in the hierarchical classifier to yield error rates far lower to those based on the Euclidean distance metric on the two image recognition tasks. Furthermore, it gives the lowest reported error rate (2.63%) as well as the best training and classification times for a face recognition task.     

基于特征元素和关联规则的图象分类方法

图象分类是搜索引擎中的重要模块.本文提出了一种基于特征元素的图象分类方法.特征元素与特征向量相比能够根据人的主观感知来提取图象的视觉特征.与传统的基于特征向量的图象分类方法不同,本文提出的图象分类方法不计算特征空间中特征向量之间的距离,而是通过关联规则挖掘发现图象的特征元素与图象所属类别之间的联系.本文实现了该分类算法并将其与一种基于特征向量的图象分类方法NFL相比较.实验的结果证实了所提方法的优越性.     

Performance Analysis of Machine Learning Classification Algorithms in Static Object Detection for Video Surveillance Applications

Video surveillance system plays a pivotal role in automatic detection of abandoned luggage/bag in public places which causes threats to the public. As, the terrorist attacks are increasing world-wide, the detection and prevention of such attack is necessary to safeguard the people in public places. In this, a novel framework for the detection and classification of static object is proposed. In the proposed work first the static objects are identified and then it is classified to check the detected object is bag or anything else. In this study, the performance of machine learning techniques like Support Vector Machine (SVM), Artificial Neural Network (ANN), K-Nearest Neighbour, and Random Forest methods are analyzed. The performance is tested in standard (PETS 2006, PETS 2007 and AVSS i-LIDS) and custom datasets. The SVM and ANN produce best results in terms of classification and accuracy. Applications of various machine learning algorithms could clearly assist for identification and prevention of terrorist attacks in public places.